基于安全感知的云无线接入网络资源分配算法研究

◆尹魏昕 周迅钊 徐 雷



基于安全感知的云无线接入网络资源分配算法研究

◆尹魏昕1周迅钊2徐 雷2

（1.国家计算机网络与信息安全管理中心江苏分中心 江苏 210003；2.南京理工大学计算机科学与工程学院 江苏 210094）

为了解决传统静态频谱资源分配效率低下和最优信道分配方案的饥饿现象，本文提出一种考虑安全因素的云无线接入网络资源调度算法。首先，利用双向拍卖机制对云无线接入网络中的安全感知资源分配问题进行建模；然后，使用梯度下降算法对安全感知资源分配问题进行求解；最后，仿真结果表明，所提的安全感知资源分配算法能够得到较好的网络安全吞吐量和资源分配效率。

云无线接入网络；双拍卖模型；资源分配；安全感知

0 引言

随着移动设备的爆炸式增长，传统的感知无线网络很难适应用户们日益增长的服务质量要求。近些年的研究表明，云无线接入网络能够应对成倍增长的数据传输要求，并且能够解决未来通信基础设施所面对的带宽和控制问题[1]。云无线接入网络（Cloud Radio Access Networks）C-RAN架构利用了集中式处理、实时云系统基础设施技术，目标是构建一个低耗费、高带宽、低延迟、高灵活度的绿色系统。近些年研究表明，C-RAN架构可以通过虚拟化技术以及动态资源分配策略实现了基带资源共享，从而减少了基站数量以及基础能耗[2]。

由于用户设备是不均匀分布的，这就造成了远端无线射频单元负载的不均衡性。这就使得一些远端无线射频单元会承担高于其最大承受能力的负载，同时另一些远端无线射频单元会处于低负载的相对闲置状态。因此，本文给出一个很好的想法，将在最优信道分配情况下会过载的远端无线射频单元作为资源的请求方，并将可用的闲置远端无线射频单元作为资源的提供方，这样就可以形成一个竞争的关系。在移动云计算中，这种竞争的方法已经被广泛讨论了[3-4]。受到这种竞争机制启发，我们假定远程射频单元作为竞争者。为了竞争获得更高的综合效用，将竞争机制用于C-RAN，来获得更好的资源分配效果，并且增加吞吐率。因此，我们就构建一个竞争的市场机制，包括提供过剩资源用于服务的远端无线射频单元以及资源不足而需求资源的远端无线射频单元。需求资源的远端无线射频单元需要相互竞争空闲的资源来提高其最大效用，而服务的远端无线射频单元则需要在价格竞争机制中获得最大的报酬。通过这种方式，可以限制干扰过大的信道获取较多的资源，而把资源分配给最更合适的用户，以此提高吞吐量。为了实现这种非合作的双向拍卖博弈，一个可以融合两种竞争关系的市场机制就非常重要，这就是本文所使用的双向拍卖机制。

物理层安全是一种基于香农信息论的安全技术，其基本原理是利用通信信道和噪声的随机性来限制可被认证终端所窃取的信息量[5-7]。虽然有研究通过双向拍卖解决了移动云计算资源调度的问题，但是C-RAN网络物理层安全研究还处于初级阶段，对于考虑安全因素的资源分配问题还存在很多不足。因此，有必要研究基于安全感知的云无线接入网络资源分配算法。本文对双向拍卖机制用于C-RAN网络物理层安全资源分配问题进行了研究。首先对基于C-RAN的安全吞吐量信道模型进行建模，并介绍双向拍卖理论的模型构成，然后将通过介绍双向拍卖的效用模型，将双向拍卖算法用于资源分配模型，最后获得一个有效的安全感知频谱分配方案并取得仿真结果。

1 系统模型和优化问题描述

因此，在C-RAN网络中，所有用户的吞吐量之和如下：

在一个时隙中，子载波分配应满足公式(4)约束：

综上所述，C-RAN网络总吞吐量最大化资源分配问题如下：

2 双向拍卖机制

基于系统模型，我们要建立一个高效的市场模型，激励用户参与到资源共享中来，从而在多用户之间分配资源。由于管理者不知道用户的效用和耗费，因此我们介绍一个双向拍卖的机制[8-9]，用于激励用户提供他们的供需信息，并且激励远端无线射频单元参与到资源竞争中去。

根据公式（8）-（10），推导出市场统一价格：

则

通过公式（12）和（13）就很清楚地表现出资源提供方和资源需求方矛盾。另外值得注意的是，双向拍卖机制很容易兼容类似文献[10]所述隐私保护方法，但是本文用于C-RAN架构，架构本身的分布式的处理方式保证了其隐私安全性。

3 安全感知资源分配算法描述

这一节中，我们先将优化问题构造成一个社会最大利益问题，然后使用了一种分布式方法解决这个问题。

联合个人最大化求和得出社会收益最大化的优化条件：

因此我们在竞争过程中获得唯一社会最优价格。我们通过解决OP0问题来解决这个最优化问题。各个竞争者之间不清楚其他竞争者的竞价信息。每个竞争参与者都是自私的，并且不与社会总利益完全一致。社会优化目标不会集中式地体现，所以我们提出一个分布式的算法。

算法运用梯度下降方法迭代执行，分为三步：

（1）每个竞争者收到统一社会价格，然后他们都试图最大化他们的收益。然后提出符合收益的报价，将报价发送给系统管理者。

市场价格更新公式如下：

具体的算法，展示在表1中。收敛速度取决于步长的选择。共享资源的数量取决于市场价格以及竞争者之间的出价。

表1 优化问题解决方法OBA

4 仿真实验分析

图1 OBA在不同步长情况下统一价格变化

图2 OBA算法与最近分配算法（NAA）对比

5 总结

本文首先对C-RAN架构优势进行了介绍，并且阐释了安全感知资源分配研究的必要性和有效性。其次，我们给出了频谱资源调度基于吞吐量最大化的优化目标，通过对双向拍卖方法的介绍，结合已有C-RAN安全感知吞吐量优化目标，我们将优化问题转化为一个有效的双拍卖模型来适应C-RAN安全感知资源分配。然后我们使用梯度下降的方法完成了安全感知资源分配方案的仿真。仿真结果表明，与传统的NAA算法相比我们使用的OBA算法能有效提高总的系统收益，并且算法运行时间通过步长的修改基本达到实时，展示了此方法的优越性。

[1]Y. Shi, J. Zhang and K. B. Letaief, "Group Sparse Beamforming for Green Cloud-RAN,", vol. 13, no. 5, pp. 2809-2823, May，2014.

[2]L. Liu, S. Bi and R. Zhang, "Joint Power Control and Fronthaul Rate Allocation for Throughput Maximization in OFDMA-Based Cloud Radio Access Network,", vol. 63, no. 11, pp. 4097-4110, Nov，2015.

[3]L. Tang, S. He and Q. Li, "Double-Sided Bidding Mechanism for Resource Sharing in Mobile Cloud,", vol. 66, no. 2, pp. 1798-1809, Feb，2017.

[4]S. A. Noor, R. Hasan and M. M. Haque, "CellCloud: A Novel Cost Effective Formation of Mobile Cloud Based on Bidding Incentives,", Anchorage, AK, 2014, pp. 200-207.

[5]T. Yang, G. Mao and W. Zhang, "Connectivity of wireless information-theoretic secure networks,", Austin, TX, 2014, pp. 317-323.

[6]M. Bloch, J. Barros, M. R. D. Rodrigues and S. W. McLaughlin, "Wireless Information-Theoretic Security,", vol. 54, no. 6, pp. 2515-2534, June 2008.

[7]A. Ozgur, R. Johari, D. N. C. Tse and O. Leveque, "Information-Theoretic Operating Regimes of Large Wireless Networks,", vol. 56, no. 1, pp. 427-437, Jan. 2010.

[8]I. Koutsopoulos, "Optimal incentive-driven design of participatory sensing systems,", Turin, 2013.

[9]C. Chen and Y. Wang, "SPARC: Strategy-Proof Double Auction for Mobile Participatory Sensing,", Fuzhou, 2013.

[10]S. Liu, H. Zhu, R. Du, C. Chen and X. Guan, "Location Privacy Preserving Dynamic Spectrum Auction in Cognitive Radio Network,", Philadelphia, PA, 2013.

本文得到国家自然科学基金(No.61671244)和中央高校基本科研业务费专项资金资助(No. 30918011204)的支持。